本書全面介紹了機器學習的基礎知識和主要技術以及其應用，全書共 10 章，首先對機器學習進行概述，并介紹機器學習的相關算法，如回歸算法、分類算法、結構化學習、無監(jiān)督學習；接著對機器學習聚類算法、深度學習、強化學習等算法原理及實現(xiàn)過程進行了簡要介紹，以便于實際應用分析；最后介紹自然語言處理、推薦系統(tǒng)原理，并通過兩個案例讓讀者認識和理解機器學習，實現(xiàn)理論與實踐的有機結合。
本書可作為高等院校機器學習相關課程的教材，也可以作為計算機相關專業(yè)的課程教材，同時也可以作為從事機器學習相關行業(yè)的工作人員的參考用書。
1.本書作者是多年從事一線教學工作的教師，具有較為豐富的教學經(jīng)驗。
2.本書注重原理與實踐緊密結合，內容通俗易懂，實戰(zhàn)性高，可讀性強。
3.系統(tǒng)性強，結構合理，將機器學習的各個知識點串聯(lián)起來，讓讀者對機器學習有一個全面的系統(tǒng)化的認識和理解。
4.理論完備，案例豐富且貼合實際應用場景，助力讀者進入機器學習領域。
5.每個章節(jié)后均配有課后習題，既便于教學，又便于自學。
安俊秀，訪問學者，碩士生導師。軟件自動生成與智能服務四川省重點實驗室學術帶頭人(知識本體和大數(shù)據(jù)方向)。并行計算與大數(shù)據(jù)研究所負責人，長期從事數(shù)據(jù)科學與大數(shù)據(jù)相關的研究與教學工作，已發(fā)表研究領域相關論文40余篇，主編大數(shù)據(jù)與人工智能方面專著或教材10余部。
第1章 機器學習概述 1
1.1 人工智能概述 1
1.1.1 人工智能發(fā)展歷程 1
1.1.2 人工智能與機器學習 3
1.2 機器學習的兩大學派 5
1.2.1 頻率學派 6
1.2.2 貝葉斯學派 6
1.3 機器學習的三要素 7
1.3.1 數(shù)據(jù) 7
1.3.2 模型 8
1.3.3 算法 9
1.4 機器學習算法的4種類型 9
1.4.1 有監(jiān)督學習算法 10
1.4.2 無監(jiān)督學習算法 10
1.4.3 半監(jiān)督學習算法 11
1.4.4 強化學習算法 12
1.5 機器學習的應用 13
1.5.1 計算機視覺 13
1.5.2 自然語言處理 14
1.5.3 機器人 15
習題 16
第2章 回歸算法概述 17
2.1 回歸算法簡介 17
2.2 線性回歸 19
2.2.1 算法原理 19
2.2.2 實現(xiàn)及參數(shù) 20
2.3 多元線性回歸 24
2.3.1 算法原理 24
2.3.2 實現(xiàn)及參數(shù) 25
2.4 正則化回歸分析 29
2.4.1 過擬合與正則化 29
2.4.2 嶺回歸 30
2.4.3 套索回歸 32
2.4.4 彈性網(wǎng)絡回歸 33
2.5 貝葉斯模型 35
2.5.1 貝葉斯方法 35
2.5.2 貝葉斯回歸 36
2.6 Softmax回歸 40
2.6.1 算法原理 40
2.6.2 實現(xiàn)及參數(shù) 41
2.7 項目實踐：航班乘客流量預測 44
習題 52
第3章 分類算法概述 53
3.1 分類算法簡介 53
3.2 K近鄰查詢算法 54
3.2.1 算法原理 54
3.2.2 實現(xiàn)及參數(shù) 55
3.3 邏輯回歸算法 58
3.3.1 算法原理 58
3.3.2 實現(xiàn)及參數(shù) 60
3.4 貝葉斯網(wǎng)絡與樸素貝葉斯分類器 62
3.4.1 貝葉斯網(wǎng)絡 62
3.4.2 樸素貝葉斯分類器 63
3.5 決策樹算法 65
3.5.1 算法原理 66
3.5.2 選擇最優(yōu)特征 68
3.6 集成學習算法 69
3.6.1 隨機森林算法 70
3.6.2 AdaBoost算法 71
3.7 項目實踐：水果分類 73
習題 78
第4章 支持向量機概述 79
4.1 支持向量機簡介 79
4.1.1 超平面與線性可分 80
4.1.2 最大化間隔 81
4.2 核函數(shù) 81
4.3 多分類處理 84
4.3.1 “1?a?r”方法 84
4.3.2 樹形支持向量機多分類方法 85
4.3.3 決策樹支持向量機多分類器 85
4.4 結構風險分析 85
4.5 項目實踐：貓分類器 86
4.5.1 實踐準備 87
4.5.2 訓練模型 88
4.5.3 驗證模型 90
習題 92
第5章 數(shù)據(jù)降維概述 93
5.1 數(shù)據(jù)降維簡介 93
5.2 線性降維 94
5.2.1 PCA 94
5.2.2 使用最大投影方差理解PCA 97
5.2.3 使用最小重構代價理解PCA 98
5.2.4 LDA 100
5.3 非線性降維 103
5.3.1 局部線性嵌入 103
5.3.2 拉普拉斯特征映射 104
5.3.3 隨機近鄰嵌入 107
5.3.4 t分布隨機近鄰嵌入 108
5.4 自編碼器 108
5.5 項目實踐：自編碼器 114
習題 117
第6章 聚類算法概述 118
6.1 聚類算法簡介 118
6.2 基于劃分的聚類算法 119
6.2.1 K均值聚類算法 119
6.2.2 EM算法 121
6.3 基于密度的聚類算法 123
6.3.1 DBSCAN算法 123
6.3.2 DPC算法 127
6.4 基于圖的聚類算法 129
6.5 項目實踐：人臉圖像聚類 131
習題 134
第7章 深度學習概述 135
7.1 深度學習簡介 135
7.2 感知器 136
7.3 人工神經(jīng)網(wǎng)絡 138
7.4 反向傳播算法 139
7.5 常用的深度學習模型 144
7.5.1 CNN 144
7.5.2 RNN 148
7.5.3 GAN 152
7.6 項目實踐：圖片分類 154
習題 158
第8章 強化學習概述 159
8.1 強化學習簡介 159
8.2 馬爾可夫決策 161
8.2.1 馬爾可夫性質 161
8.2.2 馬爾可夫過程 161
8.2.3 馬爾可夫決策過程 164
8.2.4 最優(yōu)價值函數(shù)與最優(yōu)策略 165
8.3 基于免模型的強化學習算法 166
8.3.1 蒙特卡羅算法 166
8.3.2 時序差分算法 167
8.4 強化學習前沿 169
8.4.1 逆向強化學習 169
8.4.2 分層強化學習 170
8.4.3 深度強化學習 171
8.5 項目實踐：車桿游戲 172
習題 173
第9章 自然語言處理概述 174
9.1 自然語言處理簡介 174
9.2 自然語言處理工具包和語料庫 175
9.2.1 自然語言處理工具包 175
9.2.2 語料庫 176
9.3 自然語言處理技術分類 177
9.3.1 自然語言處理基礎技術分類 177
9.3.2 自然語言處理應用技術分類 179
9.4 Transformer 180
9.4.1 Transformer整體結構 181
9.4.2 自注意力機制 183
9.4.3 Transformer總結 187
9.5 項目實踐：新聞文本分類 187
習題 190
第10章 推薦系統(tǒng)概述 191
10.1 推薦系統(tǒng)簡介 191
10.1.1 什么是推薦系統(tǒng) 191
10.1.2 個性化推薦系統(tǒng)的應用 191
10.2 協(xié)同過濾推薦算法 193
10.2.1 基于用戶的協(xié)同過濾推薦算法 193
10.2.2 基于物品的協(xié)同過濾推薦算法 194
10.3 因子分解機算法 195
10.3.1 FM算法的背景 195
10.3.2 FM算法的優(yōu)勢 195
10.3.3 FM算法的衍生算法 196
10.4 梯度提升決策樹算法 196
10.4.1 回歸樹 196
10.4.2 梯度迭代 196
10.4.3 縮減 198
10.5 評價指標 198
10.5.1 在線評價體系 198
10.5.2 離線評價體系 199
10.6 項目實踐：電影推薦系統(tǒng) 201
10.6.1 電影推薦系統(tǒng)的需求分析 201
10.6.2 系統(tǒng)架構的設計 201
10.6.3 推薦系統(tǒng)的實現(xiàn) 202
習題 205
參考文獻 206
書單推薦
